[发明专利]一种利用机器学习方法快速识别和分析二维材料的方法

说明书

本发明公开一种利用机器学习方法快速识别和分析材料的方法，包括如下步骤：步骤1，拍摄二维材料的光学显微镜图片；步骤2，提取图片50×50的像素点的RGBHSV信息，并送入搭建的神经网络中，进行成分及层数的分析；所述步骤2中，搭建的神经网络包括由输入至输出依次连接的输入层、隐藏层、输出层，输入的数据为RGBHSV六个参数，四层隐藏层的神经元个数分别为256,1024,1024,256，每层隐藏层的每个神经元是前一层的所有神经元的权重相加、然后经过非线性的激活函数得到的结果，之后将这一结果传入下一层进行运算。此种利用机器学习方法快速识别和分析二维材料的方法能够实现对各类二维材料准确和快速的识别。

技术领域

本发明属于人工智能应用技术领域，特别涉及一种利用机器学习方法快速识别和分析二维材料的方法。

背景技术

自2004年Geim教授和Novoselov教授用胶带机械剥离出石墨烯(graphene)后，研究者对于二维材料的独特性质的研究开始层出不穷。这类可以薄至原子层厚度的材料展现出了出色的光、电、热、机械性能，而它们往往需要集成组合起来才能应用于光电器件，因此，在衬底上对它们进行有效的识别和表征就具有重要的意义。传统的用于表征二维材料的方法需要消耗大量时间，同时表征的仪器也非常昂贵，例如拉曼光谱、原子力显微镜、透射电子显微镜等，有待改进，本案由此产生。

发明内容

本发明的目的，在于提供一种利用机器学习方法快速识别和分析二维材料的方法，能够实现对各类二维材料准确和快速的识别。

为了达成上述目的，本发明的解决方案是：

一种利用机器学习方法快速识别和分析材料的方法，包括如下步骤：

步骤1，利用光学显微镜的100倍镜头拍摄二维材料的光学显微镜图片；

步骤2，利用Python 3.7的开源matplotlib模块提取图片50×50的像素点的RGBHSV信息，并送入搭建的神经网络中，进行成分及层数的分析；

所述步骤2中，搭建的神经网络包括由输入至输出依次连接的输入层、隐藏层、输出层，输入的数据为RGBHSV六个参数，隐藏层设置有四层，四层的神经元个数分别为 256,1024,1024,256，其中每层隐藏层的每个神经元是前一层的所有神经元的权重相加、然后经过非线性的激活函数得到的结果，之后将这一结果传入下一层进行运算。

上述步骤2中，神经网络输出的分析结果中，成分为如下8种中的一种：二硫化钨，二硫化钼，二碲化钼，二硒化钨，二硒化钼，石墨烯，六方氮化硼(h-BN)，Bi₂Sr₂CaCu₂O₈。

上述步骤2中，搭建神经网络的具体过程是：

S1，利用光学显微镜的100倍镜头拍摄N组等间距变化的由最暗至最亮的光强下8种二维材料的光学显微镜图片，N为自然数；

S2，用拉曼光谱确定各二维材料的种类及层数；

S3，利用Python 3.7的开源matplotlib模块提取出每种材料50×50的像素点的RGBHSV 信息，并送入神经网络中，对神经网络进行训练，直至损失函数最小；

S4，利用测试集中的图片测试神经网络的准确率，调节训练次数和训练速率至准确率符合预定要求，从而得到搭建好的神经网络结构。

上述步骤S1中，N取值为11。

上述步骤S1中，拍摄光学显微镜照片时，将8种二维材料置于N组等间距变化的由最暗至最亮的光强下进行拍摄。